Reseña honesta: “Machine Learning y Data Science con Python” de Santiago Hernández [2026] – ¿Vale la pena?

Qué promete y qué encontré al analizarlo

Machine Learning y Data Science: Curso Completo con Python es el curso de aprendizaje automático de Santiago Hernández, instructor especializado en inteligencia artificial y ciberseguridad. Promete enseñarte los fundamentos y las intuiciones matemáticas del machine learning desde un nivel muy básico, para luego aplicarlos a casos con datos reales, varios de ellos del ámbito de la ciberseguridad. Tiene más de 26 mil alumnos, 4,510 reseñas con un promedio de 4.71 y una actualización de septiembre de 2026.

Al revisar el temario, lo que más destaca es el orden. Antes de multiplicar algoritmos, el curso dedica 9 elementos a qué es el machine learning, presenta la regresión lineal y la logística, y después construye un proyecto completo (13 elementos). Solo entonces pasa a SVM, árboles y Random Forest, selección de características, clustering, modelos probabilísticos, detección de anomalías (12) y una introducción a redes neuronales. Son 30.8 horas en 127 clases, con un enfoque que la descripción resume bien: no es un curso para matemáticos, pero sí explica las ecuaciones a mano.

El temario, en resumen

• Arranque (16 elementos): contexto y motivación, preparación del entorno de Python y las librerías básicas de data science y machine learning.
• Fundamentos (33): qué es el machine learning (9), regresión lineal como primer modelo (7) y regresión logística y clasificación (17).
• «Creación de un proyecto de Machine Learning» (13): el flujo completo de un proyecto real, colocado antes de ampliar el catálogo de algoritmos.
• Algoritmos supervisados y características (32): SVM (10), árboles de decisión y Random Forest (15), y selección y extracción de características (7).
• No supervisado y más allá (33): clustering (8), algoritmos basados en probabilidad (5), detección de anomalías (12) e introducción a redes neuronales y deep learning (8).

Puntos fuertes

• Explica la intuición matemática sin exigirla. El único requisito es Python básico, y la descripción promete desarrollar las ecuaciones a mano y representarlas gráficamente. Para entender qué hace un modelo, y no solo llamarlo desde una librería, es el mejor equilibrio que encontramos en español.
• Un proyecto completo con sección propia. Los 13 elementos de «Creación de un proyecto de Machine Learning» llegan temprano, justo después de los primeros modelos. Ese orden importa: aprendes el flujo de trabajo antes que el catálogo.
• Detección de anomalías y ciberseguridad. 12 elementos dedicados a anomalías es raro en un curso general. Es útil más allá de la seguridad: fraude, monitoreo de sistemas o control de calidad.
• Muy actual y bien valorado. Actualizado en septiembre de 2026, con 4.71 de promedio sobre 4,510 reseñas. Es el curso de ML más reciente de los que analizamos.

Aspectos mejorables

• La evaluación no tiene sección propia. Ningún título menciona métricas, validación cruzada o sobreajuste. Lo más probable es que se traten dentro de los fundamentos y del proyecto, pero no puedes comprobar cuánto antes de comprar, a diferencia de Machine Learning de A a la Z, que les dedica tres secciones.
• Faltan modelos que dominan en la industria. No aparece gradient boosting (XGBoost, LightGBM o similares), que hoy es la referencia en datos tabulares, ni series de tiempo. Random Forest es lo más avanzado entre los modelos de árboles.
• Redes neuronales solo como introducción. 8 elementos alcanzan para entender la idea, no para trabajar con deep learning. El propio instructor tiene un curso dedicado para eso.
• Poca práctica evaluada y un subtítulo optimista. Hay 2 cuestionarios y ningún ejercicio de código: la práctica consiste en reproducir los casos. Con eso, «conviértete en un experto», como dice el subtítulo, es mucho prometer.

Conclusión honesta

Si quieres entender el machine learning y no solo usarlo, este es el curso que recomendaría en español. Explica la intuición matemática con paciencia, ordena bien los temas y está recién actualizado. Frente a Machine Learning de A a la Z, cubre menos algoritmos pero con más fundamento y solo en Python; frente al curso completo de Juan Gabriel Gomila, pide menos base previa (Python básico, frente a cursos previos de álgebra lineal y estadística) y está más actualizado.

Para usarlo en un trabajo real, complementa la evaluación de modelos y el gradient boosting con documentación o un curso específico, y practica con tus propios datos. La continuación natural es Inteligencia Artificial y Deep Learning desde cero, del mismo instructor y con el mismo estilo.

Preguntas frecuentes